基于赫斯特指数的动力电池SOP预测方法、存储介质及设备技术

本发明专利技术的一种基于赫斯特指数的动力电池SOP预测方法、存储介质及设备，包括利用赫斯特指数方法，以电动大巴车的历史负荷数据作为一个有序的时间序列，进行相关计算，得出赫斯特指数H的值，并以此值作为未来一段时间的负荷变化趋势的判断依据。在此基础上，再通过分形理论，将一个赫斯特指数值的序列进行分组计算，最终进行电池SOP的预测。本发明专利技术则将分形理论和赫斯特指数预测方法结合起来，不仅可以做短期的精确负荷预测，还可以进行长期趋势符合的判断；对动力电池的SOP预测有着良好的估算效果。效果。效果。

【技术实现步骤摘要】
基于赫斯特指数的动力电池SOP预测方法、存储介质及设备


[0001]本专利技术涉及电动汽车领域中动力电池负载功率的预测
，具体涉及一种基于赫斯特指数的动力电池SOP预测方法、存储介质及设备。

技术介绍

[0002]电池组得负载预测对电池管理系统的设计与开发有着重要的意义。负荷预测越精确，电池系统才能够更安全、稳定、经济、健康的运行，对于电池系统的有效保护和控制策略的指定有着重要的影响；精确的负荷预测可以使电池系统的能量调度和管理等更加合理科学，可以指导电动车厂家制定合理的限制功率计划，避免造成电能过剩和过打或者过小的功率伤害电气元件的情况。近年来，负荷预测方法层出不穷，经过试验验证也有一定的准确性，但是，目前的方法都存在一些固有缺陷，如响应时间太长、考虑影响因素不够全面、只能进行短期负荷预测或长期负荷预测等，为了解决该类问题，本专利技术提出了基于赫斯特指数和分形理论的功率即SOP预测方法。

技术实现思路

[0003]本专利技术提出的一种基于赫斯特指数的动力电池SOP预测方法、存储介质及设备，利用赫斯特指数中重标极差(R/S)分析法的与分形方法实现在收集一段时间的SOP数据之后，进行短时预测SOP的目的。
[0004]为实现上述目的，本专利技术采用了以下技术方案：
[0005]一种基于赫斯特指数的动力电池SOP预测方法，包括以下步骤，
[0006]以电动大巴车的历史负荷数据作为一个有序的时间序列，进行相关计算，得出赫斯特指数H的值，并以此值作为未来一段时间的负荷变化趋势的判断依据；
[0007]在上述基础上，再通过分形理论，将一个赫斯特指数值的序列进行分组计算，最终进行电池SOP的预测。
[0008]进一步的，具体步骤如下，
[0009]S1：先行获取收集一段时间的在BMS上采集到的电池SOP数据；
[0010]S2：将收集到的长度为M的SOP时间序列{X
i
}等分成长度为n的W个连续的子序列，其中，n≥3，W即M/n的整数部分，每个子序列记作F
a
(a＝1,2,
…
W)，每个子序列中的元素记作Q
r,a
；
[0011]S3：计算每个长度为n的子序列F
a
的均值：
[0012][0013]S4：计算每个子序列F
a
偏离子序列均值的累积离差：
[0014][0015]S5：计算每个子序列的F
a
极差
[0016]R
a
＝max
1≤t≤n
(X
t,a
)
‑
min
1≤t≤n
(X
t,a
)
[0017]S6：计算每个子序列F
a
的标准偏差：
[0018][0019]S7：比较不同类型的时间序列，将每个子序列的标准偏差S
a
去除极差R
a
：
[0020](R/S)
a
＝(R
a
/S
a
)
[0021]S8：对每个子序列重复S3
‑
S7步骤，计算得到一个重标极差序列(R/S)，计算该序列的均值：
[0022][0023]S9：列出该序列值的赫斯特指数值：
[0024][0025]其中，c为常数，n为观察值的个数，H为赫斯特指数；
[0026]对S9式两边同时求对数可得：log(R/S)＝Hlog(n)+logc；
[0027]以log(R/S)为因变数，log(n)为自变量用最小二乘法做回归分析，求出来的值就是赫斯特指数值H；
[0028]S10：将新的序列分组方法计算所得赫斯特指数值利用分形的方法进行处理，首先得到未来一个时刻的赫斯特指数值，然后根据所得赫斯特指数值使用“夹逼法”，预测出未来一采样时刻的实际SOP。
[0029]进一步的，还包括，
[0030]S11:定义分形分布定义为幂指数分布
[0031][0032]在该幂指数分布公式中，N代表的是与r有关的指数值，在此表示为分形维数的参数；r代表的是时间点；C代表的是一个待定常数；D代表的是分维数；计算出的N则为所对应的赫斯特指数值；
[0033]S12：结合分形方法中D，即代表的分维数在双对数坐标上表示出来是一条直线，则根据该直线上的任意两个点(N
i
,r
i
)和(N
j
,r
j
)确定该直线的分形参数，即可得到C和D的数值；
[0034]将两点坐标带入分形幂指数公式中可得：
[0035][0036]C＝N
i
r
D
；
[0037]S13：将所有的原始数据(N
i
,r
i
)绘制在双对数坐标上，将N
i
按顺序进行排列，即{H}＝{N1,N2,
…
},i＝1,2,3
…
,n；
[0038]S14:建立各阶累计和的分形模型，将数据绘制在双对数坐标轴上，获取离散的分形模型；
[0039]S15:确定相应的分形参数，即S11中提到的C、r、D；
[0040]S16:利用上面步骤中得到的C、r、D代入S11步骤中的公式中，计算出赫斯特指数数值，并且此值作为未来一段时间的SOP变化趋势的判断依据。
[0041]另一方面，本专利技术还公开一种基于赫斯特指数和分形方法的动力电池SOP预测系统，包括以下单元，
[0042]数据获取单元，用于获取电动大巴车的历史负荷数据；
[0043]计算单元，用于以电动大巴车的历史负荷数据作为一个有序的时间序列，进行相关计算，得出赫斯特指数H的值，并以此值作为未来一段时间的负荷变化趋势的判断依据；
[0044]预测单元，用于在计算单元基础上，再通过分形理论，将一个赫斯特指数值的序列进行分组计算，最终进行电池SOP的预测。
[0045]再一方面，本专利技术还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0046]又一方面，本专利技术还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述方法的步骤。
[0047]由上述技术方案可知，本专利技术的基于赫斯特指数的动力电池SOP预测方法及系统，利用赫斯特指数方法，以电动大巴车的历史负荷数据作为一个有序的时间序列，进行相关计算，得出赫斯特指数H的值，并以此值作为未来一段时间的负荷变化趋势的判断依据。在此基础上，再通过分形理论，将一个赫斯特指数值的序列进行分组计算，最终进行电池SOP的预测。本专利技术则将分形理论和赫斯特指数预测方法结合起来，不仅可以做短期的精确负荷预测，还可以进行长期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于赫斯特指数的动力电池SOP预测方法，其特征在于，包括通过计算机设备实现以下步骤，以电动大巴车的历史负荷数据作为一个有序的时间序列，进行相关计算，得出赫斯特指数H的值，并以此值作为未来一段时间的负荷变化趋势的判断依据；在上述基础上，再通过分形理论，将一个赫斯特指数值的序列进行分组计算，最终进行电池SOP的预测。2.根据权利要求1所述的基于赫斯特指数的动力电池SOP预测方法，其特征在于：具体包括以下步骤，S1：先行获取收集一段时间的在BMS上采集到的电池SOP数据；S2：将收集到的长度为M的SOP时间序列{X
i
}等分成长度为n的W个连续的子序列，其中，n≥3，W即M/n的整数部分，每个子序列记作F
a
(a＝1,2，...W)，每个子序列中的元素记作Q
r,a
；S3：计算每个长度为n的子序列F
a
的均值：S4：计算每个子序列F
a
偏离子序列均值的累积离差：S5：计算每个子序列的F
a
极差R
a
＝max
1≤t≤n
(X
t，a
)
‑
min
1≤t≤n
(X
t，a
)S6：计算每个子序列F
a
的标准偏差：S7：比较不同类型的时间序列，将每个子序列的标准偏差S
a
去除极差R
a
：(R/S)
a
＝(R
a
/S
a
)S8：对每个子序列重复S3
‑
S7步骤，计算得到一个重标极差序列(R/S)，计算该序列的均值：S9：列出该序列值的赫斯特指数值：其中，c为常数，n为观察值的个数，H为赫斯特指数；对S9式两边同时求对数可得：log(R/S)＝Hlog(n)+logc；以log(R/S)为因变数，log(n)为自变量用最小二乘法做回归分析，求出来的值就是赫斯特指数值H；
S10：将新的序列分组方法计算所得赫斯特指数值利用分形的方法进行处...

【专利技术属性】
技术研发人员：单毅，胡攀攀，
申请(专利权)人：合肥国轩高科动力能源有限公司，
类型：发明
国别省市：